Question

我正在阅读Keras blog，该课程教您如何使用Flask创建简单的图像分类器静态API。我想知道如何在不使用python的其他Web框架中实现加载模型的相同方法。在下面的代码中，将在服务器启动之前将模型加载到内存中，直到服务器处于活动状态，该模型才会运行：

# if this is the main thread of execution first load the model and
# then start the server
if __name__ == "__main__":
    print(("* Loading Keras model and Flask starting server..."
        "please wait until server has fully started"))
    load_model()
    app.run()

我熟悉Pickle，并且知道如何在其他Web框架（例如Node.js的python-shell）中运行python代码。腌制的模型只建立一次，每次需要时都可以加载。但我希望实现与本教程建议的相同的功能，即仅加载一次，并多次使用。创建一个单独的python服务器应用程序来将加载的模型提供给Node.js要求很好吗？

Answer 1

您可以使用load_model在Keras中加载模型并传递路径：

from keras.models import load_model
model = load_model('model.hd5')

我已经创建了一个加载Keras模型的Flask API，如果有帮助，可以在这里查看： https://github.com/Ares513/DetectingTrollsApi/blob/master/api.py

Answer 2

我设法开发了一个python“模型”服务器，其中ML模型被加载到内存中并通过套接字共享。另一方面，消费者应用程序是一个简单的Node.js Web应用程序，可将请求转发到python服务器并检索答复。您可以在此处找到代码示例：Keras deep api 这是一个使用ResNet50对图像进行分类的图像分类器应用。图像可以通过Node.js应用程序上传，然后传递到python服务器进行分类，然后将结果发送回Node.js应用程序。

如何将Keras模型保持加载到内存中并在需要时使用它？

2 个答案: